來源丨掘金

https://juejin.cn/user/615370768790158

一、亮出效果

最近一些軟件的搜題、智能批改類的功能要下線。

退1024步講，要不要自己做一個自動批改的功能?。咳f一哪天孩子要用呢！

昨晚我做了一個夢，夢見我實現(xiàn)了這個功能，如下圖所示：

功能簡介：作對了，能打?qū)μ枺蛔鲥e了，能打叉號；沒做的，能補上答案。

醒來后，我環(huán)顧四周，趕緊再躺下，希望夢還能接上。

二、實現(xiàn)步驟

基本思路

其實，搞定兩點就成，第一是能識別數(shù)字，第二是能切分數(shù)字。

首先得能認識5是5，這是前提條件，其次是能找到5、6、7、8這些數(shù)字區(qū)域的位置。

前者是圖像識別，后者是圖像切割。

• 對于圖像識別，一般的套路是下面這樣的（CNN卷積神經(jīng)網(wǎng)絡(luò)）：

• 對于圖像切割，一般的套路是下面的這樣（橫向縱向投影法）：

既然思路能走得通，那么咱們先搞圖像識別。準備數(shù)據(jù)->訓練數(shù)據(jù)并保存模型->使用訓練模型預測結(jié)果。

2.1 準備數(shù)據(jù)

對于男友，找一個油嘴滑舌的花花公子，不如找一個悶葫蘆IT男，親手把他培養(yǎng)成你期望的樣子。

咱們不用什么官方的mnist數(shù)據(jù)集，因為那是官方的，不是你的，你想要添加±×÷它也沒有。

有些通用的數(shù)據(jù)集，雖然很強大，很方便，但是一旦放到你的場景中，效果一點也不如你的愿。

只有訓練自己手里的數(shù)據(jù)，然后自己用起來才順手。更重要的是，我們享受創(chuàng)造的過程。

假設(shè)，我們只給口算做識別，那么我們需要的圖片數(shù)據(jù)有如下幾類：

索引：0 1 2 3 4 5 6 7 8 9 10 11 12 13 14
字符：0 1 2 3 4 5 6 7 8 9  =  +  -  ×  ÷

如果能識別這些，基本上能滿足整數(shù)的加減乘除運算了。

好了，圖片哪里來？！

是啊，圖片哪里來？

嚇得我差點從夢里醒來，500萬都規(guī)劃好該怎么花了，居然雙色球還沒有選號！

夢里，一個老者跟我說，圖片要自己生成。我問他如何生成，他呵呵一笑，消失在迷霧中……

仔細一想，其實也不難，打字我們總會吧，生成數(shù)字無非就是用代碼把字寫在圖片上。

字之所以能展示，主要是因為有字體的支撐。

如果你用的是windows系統(tǒng)，那么打開KaTeX parse error: Undefined control sequence: \Windows at position 3: C:\?W?i?n?d?o?w?s?\Fonts這個文件夾，你會發(fā)現(xiàn)好多字體。

我們寫代碼調(diào)用這些字體，然后把它打印到一張圖片上，是不是就有數(shù)據(jù)了。

而且這些數(shù)據(jù)完全是由我們控制的，想多就多，想少就少，想數(shù)字、字母、漢字、符號都可以，今天你搞出來數(shù)字識別，也就相當于你同時擁有了所有識別！想想還有點小激動呢！

看看，這就是打工和創(chuàng)業(yè)的區(qū)別。你用別人的數(shù)據(jù)相當于打工，你是不用操心，但是他給你什么你才有什么。自己造數(shù)據(jù)就相當于創(chuàng)業(yè)，雖然前期辛苦，你可以完全自己把握節(jié)奏，需要就加上，沒用就去掉。

2.1.1 準備字體

建一個fonts文件夾，從字體庫里拷一部分字體放進來，我這里是拷貝了13種字體文件。

好的，準備工作做好了，肯定很累吧，休息休息休息，一會兒再搞！

2.1.2 生成圖片

代碼如下，可以直接運行。

from __future__ import print_function
from PIL import Image
from PIL import ImageFont
from PIL import ImageDraw
import os
import shutil
import time

# %% 要生成的文本
label_dict = {0: '0', 1: '1', 2: '2', 3: '3', 4: '4', 5: '5', 6: '6', 7: '7', 8: '8', 9: '9', 10: '=', 11: '+', 12: '-', 13: '×', 14: '÷'}

# 文本對應(yīng)的文件夾，給每一個分類建一個文件
for value,char in label_dict.items():
    train_images_dir = "dataset"+"/"+str(value)
    if os.path.isdir(train_images_dir):
        shutil.rmtree(train_images_dir)
    os.makedirs(train_images_dir)

# %% 生成圖片
def makeImage(label_dict, font_path, width=24, height=24, rotate = 0):

    # 從字典中取出鍵值對
    for value,char in label_dict.items():
        # 創(chuàng)建一個黑色背景的圖片，大小是24*24
        img = Image.new("RGB", (width, height), "black") 
        draw = ImageDraw.Draw(img)
        # 加載一種字體,字體大小是圖片寬度的90%
        font = ImageFont.truetype(font_path, int(width*0.9))
        # 獲取字體的寬高
        font_width, font_height = draw.textsize(char, font)
        # 計算字體繪制的x,y坐標，主要是讓文字畫在圖標中心
        x = (width - font_width-font.getoffset(char)[0]) / 2
        y = (height - font_height-font.getoffset(char)[1]) / 2
        # 繪制圖片，在那里畫，畫啥，什么顏色，什么字體
        draw.text((x,y), char, (255, 255, 255), font)
        # 設(shè)置圖片傾斜角度
        img = img.rotate(rotate)
        # 命名文件保存，命名規(guī)則：dataset/編號/img-編號_r-選擇角度_時間戳.png
        time_value = int(round(time.time() * 1000))
        img_path = "dataset/{}/img-{}_r-{}_{}.png".format(value,value,rotate,time_value)
        img.save(img_path)
        
# %% 存放字體的路徑
font_dir = "./fonts"
for font_name in os.listdir(font_dir):
    # 把每種字體都取出來，每種字體都生成一批圖片
    path_font_file = os.path.join(font_dir, font_name)
    # 傾斜角度從-10到10度，每個角度都生成一批圖片
    for k in range(-10, 10, 1): 
        # 每個字符都生成圖片
        makeImage(label_dict, path_font_file, rotate = k)

上面純代碼不到30行，相信大家應(yīng)該能看懂！看不懂不是我的讀者。

核心代碼就是畫文字。

draw.text((x,y), char, (255, 255, 255), font)

翻譯一下就是：使用某字體在黑底圖片的(x,y)位置寫白色的char符號。

核心邏輯就是三層循環(huán)。

如果代碼你運行的沒有問題，最終會生成如下結(jié)果：

好了，數(shù)據(jù)準備好了?？偣?5個文件夾，每個文件夾下對應(yīng)的各種字體各種傾斜角的字符圖片3900個（字符15類×字體13種×角度20個），圖片的大小是24×24像素。

有了數(shù)據(jù)，我們就可以再進行下一步了，下一步是訓練和使用數(shù)據(jù)。

2.2 訓練數(shù)據(jù)

2.2.1 構(gòu)建模型

你先看代碼，外行感覺好深奧，內(nèi)行偷偷地笑。

# %% 導入必要的包 
import tensorflow as tf
import numpy as np
from tensorflow.keras import layers
from tensorflow.keras.models import Sequential
import pathlib
import cv2

# %% 構(gòu)建模型
def create_model():
    model = Sequential([
        layers.experimental.preprocessing.Rescaling(1./255, input_shape=(24, 24, 1)),
        layers.Conv2D(24,3,activation='relu'),
        layers.MaxPooling2D((2,2)),
        layers.Conv2D(64,3, activation='relu'),
        layers.MaxPooling2D((2,2)),
        layers.Flatten(),
        layers.Dense(128, activation='relu'),
        layers.Dense(15)]
    )
    
    model.compile(optimizer='adam',
                loss=tf.keras.losses.SparseCategoricalCrossentropy(from_logits=True),
                metrics=['accuracy'])

    return model

這個模型的序列是下面這樣的，作用是輸入一個圖片數(shù)據(jù)，經(jīng)過各個層揉搓，最終預測出這個圖片屬于哪個分類。

這么多層都是干什么的，有什么用？和衣服一樣，肯定是有用的，內(nèi)衣、襯衣、毛衣、棉衣各有各的用處。

2.2.2 卷積層 Conv2D

各個職能部門的調(diào)查員，搜集和整理某單位區(qū)域內(nèi)的特定數(shù)據(jù)。我們輸入的是一個圖像，它是由像素組成的，這就是R e s c a l i n g ( 1. / 255 , i n p u t s h a p e = ( 24 , 24 , 1 ) ) Rescaling(1./255, input_shape=(24, 24, 1))Rescaling(1./255,input shape=(24,24,1))中，input_shape輸入形狀是24*24像素1個通道（彩色是RGB 3個通道）的圖像。

卷積層代碼中的定義是Conv2D(24,3),意思是用3*3像素的卷積核，去提取24個特征。

我把圖轉(zhuǎn)到地圖上來，你就能理解了。以我大濟南的市中區(qū)為例子。

卷積的作用就相當于從地圖的某級單位區(qū)域中收集多組特定信息。比如以小區(qū)為單位去提取住宅數(shù)量、車位數(shù)量、學校數(shù)量、人口數(shù)、年收入、學歷、年齡等等24個維度的信息。小區(qū)相當于卷積核。

提取完成之后是這樣的。

第一次卷積之后，我們從市中區(qū)得到N個小區(qū)的數(shù)據(jù)。

卷積是可以進行多次的。

比如在小區(qū)卷積之后，我們還可在小區(qū)的基礎(chǔ)上再來一次卷積，在卷積就是街道了。

通過再次以街道為單位卷積小區(qū)，我們就從市中區(qū)得到了N個街道的數(shù)據(jù)。

這就是卷積的作用。

通過一次次卷積，就把一張大圖，通過特定的方法卷起來，最終留下來的是固定幾組有目的數(shù)據(jù)，以此方便后續(xù)的評選決策。這是評選一個區(qū)的數(shù)據(jù)，要是評選濟南市，甚至山東省，也是這么卷積。這和現(xiàn)實生活中評選文明城市、經(jīng)濟強省也是一個道理。

2.2.3 池化層 MaxPooling2D

說白了就是四舍五入。

計算機的計算能力是強大的，比你我快，但也不是不用考慮成本。我們當然希望它越快越好，如果一個方法能省一半的時間，我們肯定愿意用這種方法。

池化層干的就是這個事情。池化的代碼定義是這樣的M a x P o o l i n g 2 D ( ( 2 , 2 ) ) MaxPooling2D((2,2))MaxPooling2D((2,2))，這里是最大值池化。其中（2,2）是池化層的大小，其實就是在2*2的區(qū)域內(nèi)，我們認為這一片可以合成一個單位。

再以地圖舉個例子，比如下面的16個格子里的數(shù)據(jù)，是16個街道的學校數(shù)量。

為了進一步提高計算效率，少計算一些數(shù)據(jù)，我們用2*2的池化層進行池化。

池化的方格是4個街道合成1個，新單位學校數(shù)量取成員中學校數(shù)量最大（也有取最小，取平均多種池化）的那一個。池化之后，16個格子就變?yōu)榱?個格子，從而減少了數(shù)據(jù)。

這就是池化層的作用。

2.2.4 全連接層 Dense

弱水三千，只取一瓢。

在這里，它其實是一個分類器。

我們構(gòu)建它時，代碼是這樣的D e n s e ( 15 ) Dense(15)Dense(15)。

它所做的事情，不管你前面是怎么樣，有多少維度，到我這里我要強行轉(zhuǎn)化為固定的通道。

比如識別字母a~z，我有500個神經(jīng)元參與判斷，但是最終輸出結(jié)果就是26個通道(a,b,c,……,y,z)。

我們這里總共有15類字符，所以是15個通道。給定一個輸入后，輸出為每個分類的概率。

注意：上面都是二維的輸入，比如24×24，但是全連接層是一維的，所以代碼中使用了l a y e r s . F l a t t e n ( ) layers.Flatten()layers.Flatten()將二維數(shù)據(jù)拉平為一維數(shù)據(jù)([[11,12],[21,22]]->[11,12,21,22])。

對于總體的模型，調(diào)用m o d e l . s u m m a r y ( ) model.summary()model.summary()打印序列的網(wǎng)絡(luò)結(jié)構(gòu)如下：

_________________________________________________________________
Layer (type)                 Output Shape              Param #   
=================================================================
rescaling_2 (Rescaling)      (None, 24, 24, 1)         0         
_________________________________________________________________
conv2d_4 (Conv2D)            (None, 22, 22, 24)        240       
_________________________________________________________________
max_pooling2d_4 (MaxPooling2 (None, 11, 11, 24)        0         
_________________________________________________________________
conv2d_5 (Conv2D)            (None, 9, 9, 64)          13888     
_________________________________________________________________
max_pooling2d_5 (MaxPooling2 (None, 4, 4, 64)          0         
_________________________________________________________________
flatten_2 (Flatten)          (None, 1024)              0         
_________________________________________________________________
dense_4 (Dense)              (None, 128)               131200    
_________________________________________________________________
dense_5 (Dense)              (None, 15)                1935      
=================================================================
Total params: 147,263
Trainable params: 147,263
Non-trainable params: 0
_________________________________________________________________

我們看到conv2d_5 (Conv2D) (None, 9, 9, 64) 經(jīng)過2*2的池化之后變?yōu)閙ax_pooling2d_5 (MaxPooling2 (None, 4, 4, 64)。(None, 4, 4, 64) 再經(jīng)過F l a t t e n FlattenFlatten拉成一維之后變?yōu)?None, 1024)，經(jīng)過全連接變?yōu)?None, 128)再一次全連接變?yōu)?None, 15)，15就是我們的最終分類。這一切都是我們設(shè)計的。

m o d e l . c o m p i l e model.compilemodel.compile就是配置模型的幾個參數(shù)，這個現(xiàn)階段記住就可以。

2.2.5 訓練數(shù)據(jù)

執(zhí)行就完了。

# 統(tǒng)計文件夾下的所有圖片數(shù)量
data_dir = pathlib.Path('dataset')
# 從文件夾下讀取圖片，生成數(shù)據(jù)集
train_ds = tf.keras.preprocessing.image_dataset_from_directory(
    data_dir, # 從哪個文件獲取數(shù)據(jù)
    color_mode="grayscale", # 獲取數(shù)據(jù)的顏色為灰度
    image_size=(24, 24), # 圖片的大小尺寸
    batch_size=32 # 多少個圖片為一個批次
)
# 數(shù)據(jù)集的分類，對應(yīng)dataset文件夾下有多少圖片分類
class_names = train_ds.class_names
# 保存數(shù)據(jù)集分類
np.save("class_name.npy", class_names)
# 數(shù)據(jù)集緩存處理
AUTOTUNE = tf.data.experimental.AUTOTUNE
train_ds = train_ds.cache().shuffle(1000).prefetch(buffer_size=AUTOTUNE)
# 創(chuàng)建模型
model = create_model()
# 訓練模型，epochs=10，所有數(shù)據(jù)集訓練10遍
model.fit(train_ds,epochs=10)
# 保存訓練后的權(quán)重
model.save_weights('checkpoint/char_checkpoint')

執(zhí)行之后會輸出如下信息：

Found 3900 files belonging to 15 classes. 
Epoch 1/10 122/122 [=========] - 2s 19ms/step - loss: 0.5795 - accuracy: 0.8615 
Epoch 2/10 122/122 [=========] - 2s 18ms/step - loss: 0.0100 - accuracy: 0.9992 
Epoch 3/10 122/122 [=========] - 2s 19ms/step - loss: 0.0027 - accuracy: 1.0000 
Epoch 4/10 122/122 [=========] - 2s 19ms/step - loss: 0.0013 - accuracy: 1.0000 
Epoch 5/10 122/122 [=========] - 2s 20ms/step - loss: 8.4216e-04 - accuracy: 1.0000 
Epoch 6/10 122/122 [=========] - 2s 18ms/step - loss: 5.5273e-04 - accuracy: 1.0000 
Epoch 7/10 122/122 [=========] - 3s 21ms/step - loss: 4.0966e-04 - accuracy: 1.0000 
Epoch 8/10 122/122 [=========] - 2s 20ms/step - loss: 3.0308e-04 - accuracy: 1.0000 
Epoch 9/10 122/122 [=========] - 3s 23ms/step - loss: 2.3446e-04 - accuracy: 1.0000 
Epoch 10/10 122/122 [=========] - 3s 21ms/step - loss: 1.8971e-04 - accuracy: 1.0000

我們看到，第3遍時候，準確率達到100%了。最后結(jié)束的時候，我們發(fā)現(xiàn)文件夾checkpoint下多了幾個文件：

char_checkpoint.data-00000-of-00001
char_checkpoint.index
checkpoint

上面那幾個文件是訓練結(jié)果，訓練保存之后就不用動了。后面可以直接用這些數(shù)據(jù)進行預測。

2.3 預測數(shù)據(jù)

終于到了享受成果的時候了。

# 設(shè)置待識別的圖片
img1=cv2.imread('img1.png',0) 
img2=cv2.imread('img2.png',0) 
imgs = np.array([img1,img2])
# 構(gòu)建模型
model = create_model()
# 加載前期訓練好的權(quán)重
model.load_weights('checkpoint/char_checkpoint')
# 讀出圖片分類
class_name = np.load('class_name.npy')
# 預測圖片，獲取預測值
predicts = model.predict(imgs) 
results = [] # 保存結(jié)果的數(shù)組
for predict in predicts: #遍歷每一個預測結(jié)果
    index = np.argmax(predict) # 尋找最大值
    result = class_name[index] # 取出字符
    results.append(result)
print(results)

我們找兩張圖片img1.png,img2.png，一張是數(shù)字6，一張是數(shù)字8，兩張圖放到代碼同級目錄下，驗證一下識別效果如何。

圖片要通過cv2.imread('img1.png',0) 轉(zhuǎn)化為二維數(shù)組結(jié)構(gòu)，0參數(shù)是灰度圖片。經(jīng)過處理后，圖片轉(zhuǎn)成的數(shù)組是如下所示(24,24)的結(jié)構(gòu)：

我們要同時驗證兩張圖，所以把兩張圖再組成imgs放到一起，imgs的結(jié)構(gòu)是（2,24,24）。

下面是構(gòu)建模型，然后加載權(quán)重。通過調(diào)用predicts = model.predict(imgs)將imgs傳遞給模型進行預測得出predicts。

predicts的結(jié)構(gòu)是(2,15),數(shù)值如下面所示：

[[ 16.134243 -12.10675 -1.1994154 -27.766754 -43.4324 -9.633694 -12.214878 1.6287893 2.562174 3.2222707 13.834648 28.254173 -6.102874 16.76582 7.2586184] [ 5.022571 -8.762314 -6.7466817 -23.494259 -30.170597 2.4392672 -14.676962 5.8255725 8.855118 -2.0998626 6.820853 7.6578817 1.5132296 24.4664 2.4192357]]

意思是有2個預測結(jié)果，每一個圖片的預測結(jié)果有15種可能。

然后根據(jù) index = np.argmax(predict) 找出最大可能的索引。

根據(jù)索引找到字符的數(shù)值結(jié)果是[‘6’, ‘8’]。

下面是數(shù)據(jù)在內(nèi)存中的監(jiān)控：

可見，我們的預測是準確的。

下面，我們將要把圖片中數(shù)字切割出來，進行識別了。

之前我們準備了數(shù)據(jù)，訓練了數(shù)據(jù)，并且拿圖片進行了識別，識別結(jié)果正確。

到目前為止，看來問題不大……沒有大問題，有問題也大不了。

下面就是把圖片進行切割識別了。

下面這張大圖片，怎么把它搞一搞，搞成單個小數(shù)字的圖片。

2.4 切割圖像

上帝說要有光，就有了光。

于是，當光投過來時，物體的背后就有了影。

我們就知道了，有影的地方就有東西，沒影的地方是空白。

這就是投影。

這個簡單的道理放在圖像切割上也很實用。

我們把文字的像素做個投影，這樣我們就知道某個區(qū)間有沒有文字，并且知道這個區(qū)間文字是否集中。

下面是示意圖：

2.4.1 投影大法

最有效的方法，往往都是用循環(huán)實現(xiàn)的。

要計算投影，就得一個像素一個像素地數(shù)，查看有幾個像素，然后記錄下這一行有N個像素點。如此循環(huán)。

首先導入包：

import numpy as np
import cv2
from PIL import Image, ImageDraw, ImageFont
import PIL
import matplotlib.pyplot as plt
import os
import shutil
from numpy.core.records import array
from numpy.core.shape_base import block
import time

比如說要看垂直方向的投影，代碼如下：

# 整幅圖片的Y軸投影，傳入圖片數(shù)組，圖片經(jīng)過二值化并反色
def img_y_shadow(img_b):
    ### 計算投影 ###
    (h,w)=img_b.shape
    # 初始化一個跟圖像高一樣長度的數(shù)組，用于記錄每一行的黑點個數(shù)
    a=[0 for z in range(0,h)]
    # 遍歷每一列，記錄下這一列包含多少有效像素點
    for i in range(0,h):          
        for j in range(0,w):      
            if img_b[i,j]==255:     
                a[i]+=1  
    return a

最終得到是這樣的結(jié)構(gòu)：[0, 79, 67, 50, 50, 50, 109, 137, 145, 136, 125, 117, 123, 124, 134, 71, 62, 68, 104, 102, 83, 14, 4, 0, 0, 0, 0, 0, 0, 0, 0, 0, ……38, 44, 56, 106, 97, 83, 0, 0, 0, 0, 0, 0, 0]表示第幾行總共有多少個像素點，第1行是0，表示是空白的白紙，第2行有79個像素點。

如果我們想要從視覺呈現(xiàn)出來怎么處理呢？那可以把它立起來拉直畫出來。

# 展示圖片
def img_show_array(a):
    plt.imshow(a)
    plt.show()
    
# 展示投影圖， 輸入?yún)?shù)arr是圖片的二維數(shù)組，direction是x,y軸
def show_shadow(arr, direction = 'x'):

    a_max = max(arr)
    if direction == 'x': # x軸方向的投影
        a_shadow = np.zeros((a_max, len(arr)), dtype=int)
        for i in range(0,len(arr)):
            if arr[i] == 0:
                continue
            for j in range(0, arr[i]):
                a_shadow[j][i] = 255
    elif direction == 'y': # y軸方向的投影
        a_shadow = np.zeros((len(arr),a_max), dtype=int)
        for i in range(0,len(arr)):
            if arr[i] == 0:
                continue
            for j in range(0, arr[i]):
                a_shadow[i][j] = 255

    img_show_array(a_shadow)

我們來試驗一下效果：

我們將上面的原圖片命名為question.jpg放到代碼同級目錄。

# 讀入圖片
img_path = 'question.jpg'
img=cv2.imread(img_path,0) 
thresh = 200 
# 二值化并且反色
ret,img_b=cv2.threshold(img,thresh,255,cv2.THRESH_BINARY_INV) 

二值化并反色后的變化如下所示：

上面的操作很有作用，通過二值化，過濾掉雜色，通過反色將黑白對調(diào)，原來白紙區(qū)域都是255，現(xiàn)在黑色都是0，更利于計算。

計算投影并展示的代碼：

img_y_shadow_a = img_y_shadow(img_b)
show_shadow(img_y_shadow_a, 'y') # 如果要顯示投影

下面的圖是上面圖在Y軸上的投影

從視覺上看，基本上能區(qū)分出來哪一行是哪一行。

2.4.2 根據(jù)投影找區(qū)域

最有效的方法，往往還得用循環(huán)來實現(xiàn)。

上面投影那張圖，你如何計算哪里到哪里是一行，雖然肉眼可見，但是計算機需要規(guī)則和算法。

# 圖片獲取文字塊，傳入投影列表，返回標記的數(shù)組區(qū)域坐標[[左，上，右，下]]
def img2rows(a,w,h):
    
    ### 根據(jù)投影切分圖塊 ### 
    inLine = False # 是否已經(jīng)開始切分
    start = 0 # 某次切分的起始索引
    mark_boxs = []
    for i in range(0,len(a)):        
        if inLine == False and a[i] > 10:
            inLine = True
            start = i
        # 記錄這次選中的區(qū)域[左，上，右，下]，上下就是圖片，左右是start到當前
        elif i-start >5 and a[i] < 10 and inLine:
            inLine = False
            if i-start > 10:
                top = max(start-1, 0)
                bottom = min(h, i+1)
                box = [0, top, w, bottom]
                mark_boxs.append(box) 
                
    return mark_boxs

通過投影，計算哪些區(qū)域在一定范圍內(nèi)是連續(xù)的，如果連續(xù)了很長時間，我們就認為是同一區(qū)域，如果斷開了很長一段時間，我們就認為是另一個區(qū)域。

通過這項操作，我們就可以獲得Y軸上某一行的上下兩個邊界點的坐標，再結(jié)合圖片寬度，其實我們也就知道了一行圖片的四個頂點的坐標了mark_boxs存下的是[坐，上，右，下]。

如果調(diào)用如下代碼：

(img_h,img_w)=img.shape
row_mark_boxs = img2rows(img_y_shadow_a,img_w,img_h)
print(row_mark_boxs)

我們獲取到的是所有識別出來每行圖片的坐標，格式是這樣的：[[0, 26, 596, 52], [0, 76, 596, 103], [0, 130, 596, 155], [0, 178, 596, 207], [0, 233, 596, 259], [0, 282, 596, 311], [0, 335, 596, 363], [0, 390, 596, 415]]

2.4.3 根據(jù)區(qū)域切圖片

最有效的方法，最終也得用循環(huán)來實現(xiàn)。這也是計算機體現(xiàn)它強大的地方。

# 裁剪圖片,img 圖片數(shù)組， mark_boxs 區(qū)域標記
def cut_img(img, mark_boxs):

    img_items = [] # 存放裁剪好的圖片
    for i in range(0,len(mark_boxs)):
        img_org = img.copy()
        box = mark_boxs[i]
        # 裁剪圖片
        img_item = img_org[box[1]:box[3], box[0]:box[2]]
        img_items.append(img_item)
    return img_items

這一步驟是拿著方框，從大圖上用小刀劃下小圖，核心代碼是img_org[box[1]:box[3], box[0]:box[2]]圖片裁剪，參數(shù)是數(shù)組的[上：下，左：右]，獲取的數(shù)據(jù)還是二維的數(shù)組。

如果保存下來：

# 保存圖片
def save_imgs(dir_name, imgs):
 
    if os.path.exists(dir_name):
        shutil.rmtree(dir_name) 
    if not os.path.exists(dir_name):    
        os.makedirs(dir_name)

    img_paths = []
    for i in range(0,len(imgs)):
        file_path = dir_name+'/part_'+str(i)+'.jpg'
        cv2.imwrite(file_path,imgs[i])
        img_paths.append(file_path)
    
    return img_paths

# 切圖并保存
row_imgs = cut_img(img, row_mark_boxs)
imgs = save_imgs('rows', row_imgs) # 如果要保存切圖
print(imgs)

圖片是下面這樣的：

2.4.4 循環(huán)可去油膩

還是循環(huán)。橫著行我們掌握了，那么針對每一行圖片，我們豎著切成三塊是不是也會了，一個道理。

需要注意的是，橫豎是稍微有區(qū)別的，下面是上圖的x軸投影。

橫著的時候，字與字之間本來就是有空隙的，然后塊與塊也有空隙，這個空隙的度需要掌握好，以便更好地區(qū)分出來是字的間距還是算式塊的間距。

幸好，有種方法叫膨脹。

膨脹對人來說不積極，但是對于技術(shù)來說，不管是膨脹（dilate），還是腐蝕（erode），只要能達到目的，都是好的。

kernel=np.ones((3,3),np.uint8)  # 膨脹核大小
row_img_b=cv2.dilate(img_b,kernel,iterations=6) # 圖像膨脹6次

膨脹之后再投影，就很好地區(qū)分出了塊。

根據(jù)投影裁剪之后如下圖所示：

同理，不膨脹可截取單個字符。

這樣，這是一塊區(qū)域的字符。

一行的，一頁的，通過循環(huán)，都可以截取出來。

有了圖片，就可以識別了。有了位置，就可以判斷識別結(jié)果的關(guān)系了。

下面提供一些代碼，這些代碼不全，有些函數(shù)你可能找不到，但是思路可以參考，詳細的代碼可以去我的github去看。

def divImg(img_path, save_file = False):

    img_o=cv2.imread(img_path,1) 
    # 讀入圖片
    img=cv2.imread(img_path,0) 
    (img_h,img_w)=img.shape
    thresh = 200
    # 二值化整個圖，用于分行
    ret,img_b=cv2.threshold(img,thresh,255,cv2.THRESH_BINARY_INV) 

    # 計算投影，并截取整個圖片的行
    img_y_shadow_a = img_y_shadow(img_b)
    row_mark_boxs = img2rows(img_y_shadow_a,img_w,img_h)
    # 切行的圖片，切的是原圖
    row_imgs = cut_img(img, row_mark_boxs)
    all_mark_boxs = []
    all_char_imgs = []
    # ===============從行切塊======================
    for i in range(0,len(row_imgs)):
        row_img = row_imgs[i]
        (row_img_h,row_img_w)=row_img.shape
        # 二值化一行的圖，用于切塊
        ret,row_img_b=cv2.threshold(row_img,thresh,255,cv2.THRESH_BINARY_INV)
        kernel=np.ones((3,3),np.uint8)
        #圖像膨脹6次
        row_img_b_d=cv2.dilate(row_img_b,kernel,iterations=6)
        img_x_shadow_a = img_x_shadow(row_img_b_d)
        block_mark_boxs = row2blocks(img_x_shadow_a, row_img_w, row_img_h)
        row_char_boxs = []
        row_char_imgs = []
        # 切塊的圖，切的是原圖
        block_imgs = cut_img(row_img, block_mark_boxs)
        if save_file:
            b_imgs = save_imgs('cuts/row_'+str(i), block_imgs) # 如果要保存切圖
            print(b_imgs)
        # =============從塊切字====================
        for j in range(0,len(block_imgs)):
            block_img = block_imgs[j]
            (block_img_h,block_img_w)=block_img.shape
            # 二值化塊,因為要切字符圖片了
            ret,block_img_b=cv2.threshold(block_img,thresh,255,cv2.THRESH_BINARY_INV)
            block_img_x_shadow_a = img_x_shadow(block_img_b)
            row_top = row_mark_boxs[i][1]
            block_left = block_mark_boxs[j][0]
            char_mark_boxs,abs_char_mark_boxs = block2chars(block_img_x_shadow_a, block_img_w, block_img_h,row_top,block_left)
            row_char_boxs.append(abs_char_mark_boxs)
            # 切的是二值化的圖
            char_imgs = cut_img(block_img_b, char_mark_boxs, True)
            row_char_imgs.append(char_imgs)
            if save_file:
                c_imgs = save_imgs('cuts/row_'+str(i)+'/blocks_'+str(j), char_imgs) # 如果要保存切圖
                print(c_imgs)
        all_mark_boxs.append(row_char_boxs)
        all_char_imgs.append(row_char_imgs)


    return all_mark_boxs,all_char_imgs,img_o

最后返回的值是3個，all_mark_boxs是標記的字符位置的坐標集合。[左,上,右,下]是指某個字符在一張大圖里的坐標，打印一下是這樣的：

[[[[19, 26, 34, 53], [36, 26, 53, 53], [54, 26, 65, 53], [66, 26, 82, 53], [84, 26, 101, 53], [102, 26, 120, 53], [120, 26, 139, 53]], [[213, 26, 229, 53], [231, 26, 248, 53], [249, 26, 268, 53], [268, 26, 285, 53]], [[408, 26, 426, 53], [427, 26, 437, 53], [438, 26, 456, 53], [456, 26, 474, 53], [475, 26, 492, 53]]], [[[20, 76, 36, 102], [38, 76, 48, 102], [50, 76, 66, 102], [67, 76, 85, 102], [85, 76, 104, 102]], [[214, 76, 233, 102], [233, 76, 250, 102], [252, 76, 268, 102], [270, 76, 287, 102]], [[411, 76, 426, 102], [428, 76, 445, 102], [446, 76, 457, 102], [458, 76, 474, 102], [476, 76, 493, 102], [495, 76, 511, 102]]]]

它是有結(jié)構(gòu)的。它的結(jié)構(gòu)是：

all_char_imgs這個返回值，里面是上面坐標結(jié)構(gòu)對應(yīng)位置的圖片。img_o就是原圖了。

2.5 識別

循環(huán)，循環(huán)，還是TM循環(huán)！

對于識別，2.3 預測數(shù)據(jù)已經(jīng)講過了，那次是對于2張獨立圖片的識別，現(xiàn)在我們要對整張大圖切分后的小圖集合進行識別，這就又用到了循環(huán)。

翠花，上代碼！

all_mark_boxs,all_char_imgs,img_o = divImg(path,save)
model = cnn.create_model()
model.load_weights('checkpoint/char_checkpoint')
class_name = np.load('class_name.npy')

# 遍歷行
for i in range(0,len(all_char_imgs)):
    row_imgs = all_char_imgs[i]
    # 遍歷塊
    for j in range(0,len(row_imgs)):
        block_imgs = row_imgs[j]
        block_imgs = np.array(block_imgs)
        results = cnn.predict(model, block_imgs, class_name)
        print('recognize result:',results)

上面代碼做的就是以塊為單位，傳遞給神經(jīng)網(wǎng)絡(luò)進行預測，然后返回識別結(jié)果。

針對這張圖，我們來進行裁剪和識別。

看底部的最后一行

recognize result: ['1', '0', '12', '2', '10']
recognize result: ['8', '12', '6', '10']
recognize result: ['1', '0', '12', '7', '10']

結(jié)果是索引，不是真實的字符，我們根據(jù)字典10: '=', 11: '+', 12: '-', 13: '×', 14: '÷'轉(zhuǎn)換過來之后結(jié)果是：

recognize result: ['1', '0', '-', '2', '=']
recognize result: ['8', '-', '6', '=']
recognize result: ['1', '0', '-', '7', '=']

和圖片是對應(yīng)的：

2.6 計算并反饋

循環(huán)……

我們獲取到了10-2=、8-6=2，也獲取到了他們在原圖的位置坐標[左,上,右,下]，那么怎么把結(jié)果反饋到原圖上呢？

往往到這里就剩最后一步了。

再來溫習一遍需求：作對了，能打?qū)μ?；做錯了，能打叉號；沒做的，能補上答案。

實現(xiàn)分兩步走：計算（是作對做錯還是沒錯）和反饋（把預期結(jié)果寫到原圖上）。

2.6.1 計算 python有個函數(shù)很強大，就是eval函數(shù)，能計算字符串算式，比如直接計算eval("5+3-2")。

所以，一切都靠它了。

# 計算數(shù)值并返回結(jié)果  參數(shù)chars：['8', '-', '6', '=']
def calculation(chars):
    cstr = ''.join(chars)
    result = ''
    if("=" in cstr): # 有等號
        str_arr = cstr.split('=')
        c_str = str_arr[0]
        r_str = str_arr[1]
        c_str = c_str.replace("×","*")
        c_str = c_str.replace("÷","/") 
        try:
            c_r = int(eval(c_str))
        except Exception as e:
            print("Exception",e)

        if r_str == "":
            result = c_r
        else:
            if str(c_r) == str(r_str):
                result = "√"
            else:
                result = "×"

    return result

執(zhí)行之后獲得的結(jié)果是：

recognize result: ['8', '×', '4', '=']
calculate result: 32
recognize result: ['2', '-', '1', '=', '1']
calculate result: √
recognize result: ['1', '0', '-', '5', '=']
calculate result: 5

2.6.2 反饋

有了結(jié)果之后，把結(jié)果寫到圖片上，這是最后一步，也是最簡單的一步。

但是實現(xiàn)起來，居然很繁瑣。

得找坐標吧，得計算結(jié)果呈現(xiàn)的位置吧，我們還想標記不同的顏色，比如對了是綠色，錯了是紅色，補齊答案是灰色。

下面代碼是在一個圖img上，把文本內(nèi)容text畫到(left,top)位置，以特定顏色和大小。

# 繪制文本
def cv2ImgAddText(img, text, left, top, textColor=(255, 0, 0), textSize=20):
    if (isinstance(img, np.ndarray)):  # 判斷是否OpenCV圖片類型
        img = Image.fromarray(cv2.cvtColor(img, cv2.COLOR_BGR2RGB))
    # 創(chuàng)建一個可以在給定圖像上繪圖的對象
    draw = ImageDraw.Draw(img)
    # 字體的格式
    fontStyle = ImageFont.truetype("fonts/fangzheng_shusong.ttf", textSize, encoding="utf-8")
    # 繪制文本
    draw.text((left, top), text, textColor, font=fontStyle)
    # 轉(zhuǎn)換回OpenCV格式
    return cv2.cvtColor(np.asarray(img), cv2.COLOR_RGB2BGR)

結(jié)合著切圖的信息、計算的信息，下面代碼提供思路參考：

# 獲取切圖標注，切圖圖片，原圖圖圖片
all_mark_boxs,all_char_imgs,img_o = divImg(path,save)
# 恢復模型，用于圖片識別
model = cnn.create_model()
model.load_weights('checkpoint/char_checkpoint')
class_name = np.load('class_name.npy')

# 遍歷行
for i in range(0,len(all_char_imgs)):
    row_imgs = all_char_imgs[i]
    # 遍歷塊
    for j in range(0,len(row_imgs)):
        block_imgs = row_imgs[j]
        block_imgs = np.array(block_imgs)
        # 圖片識別
        results = cnn.predict(model, block_imgs, class_name)
        print('recognize result:',results)
        # 計算結(jié)果
        result = calculation(results)
        print('calculate result:',result)
        # 獲取塊的標注坐標
        block_mark = all_mark_boxs[i][j]
        # 獲取結(jié)果的坐標，寫在塊的最后一個字
        answer_box = block_mark[-1]
        # 計算最后一個字的位置
        x = answer_box[2] 
        y = answer_box[3]
        iw = answer_box[2] - answer_box[0]
        ih = answer_box[3] - answer_box[1]
        # 計算字體大小
        textSize =  max(iw,ih)
        # 根據(jù)結(jié)果設(shè)置字體顏色
        if str(result) == "√":
            color = (0, 255, 0)
        elif str(result) == "×":
            color = (255, 0, 0)
        else:
            color = (192, 192,192)
        # 將結(jié)果寫到原圖上
        img_o = cv2ImgAddText(img_o, str(result), answer_box[2],  answer_box[1],color, textSize)
# 將寫滿結(jié)果的原圖保存
cv2.imwrite('result.jpg', img_o)

結(jié)果是下面這樣的：

   

    

     
最后推薦一下我們團隊寫的量化小冊的內(nèi)容，45篇內(nèi)容！從Python安裝，入門，數(shù)據(jù)分析，爬取股票基金的歷史+實時數(shù)據(jù)，以及如何寫一個簡單量化策略，策略回測，如何看資金曲線統(tǒng)統(tǒng)都有介紹！非常超值！
     
歡迎訂閱：原價199 早鳥價2杯咖啡錢，即可永久閱讀。滿400人又要漲價了，現(xiàn)在的價格非常非常低，只要2杯奶茶，就可以終身訂閱+課程源碼，還有永久陪伴群。48小時無理由退款，放心食用！
     

      


      

      


      
推薦閱讀:
量化: 如何用Python爬取創(chuàng)業(yè)板歷史+實時股票數(shù)據(jù)！｜實戰(zhàn)股票分析篇利用Pandas 9招挖掘五糧液股價！｜實戰(zhàn)股票數(shù)據(jù)分析篇 Pandas滾動操作 ｜量化股票第一步，用Python畫股票K線，雙均線圖，可視化你的股票數(shù)據(jù)！｜如何用Python爬取全部800多只ETF基金數(shù)據(jù)！｜如何用Python寫一個雙均線策略 ｜如何用Python開發(fā)一個多策略機器人！上篇！｜Python量化系列-用布林策略買五糧液能賺多少錢？｜只要4秒鐘！用Python 獲取上證指數(shù)34年的歷史日線數(shù)據(jù)！

入門: 最全的零基礎(chǔ)學Python的問題  | 零基礎(chǔ)學了8個月的Python  | 實戰(zhàn)項目 |學Python就是這條捷徑

干貨:爬取豆瓣短評，電影《后來的我們》 | 38年NBA最佳球員分析 |   從萬眾期待到口碑撲街！唐探3令人失望  | 笑看新倚天屠龍記 | 燈謎答題王 ｜用Python做個海量小姐姐素描圖 ｜碟中諜這么火，我用機器學習做個迷你推薦系統(tǒng)電影

趣味:彈球游戲  | 九宮格  | 漂亮的花 | 兩百行Python《天天酷跑》游戲!
AI: 會做詩的機器人 | 給圖片上色 | 預測收入 | 碟中諜這么火，我用機器學習做個迷你推薦系統(tǒng)電影

小工具: Pdf轉(zhuǎn)Word，輕松搞定表格和水??！ | 一鍵把html網(wǎng)頁保存為pdf！|  再見PDF提取收費！ | 用90行代碼打造最強PDF轉(zhuǎn)換器，word、PPT、excel、markdown、html一鍵轉(zhuǎn)換 | 制作一款釘釘?shù)蛢r機票提示器！ ｜60行代碼做了一個語音壁紙切換器天天看小姐姐！｜